انجام تحلیل آماری ایموس

⏱ زمان مطالعه: 11 دقیقه

تحلیل داده‌های پژوهشی در پایان‌نامه‌های کارشناسی ارشد و رساله‌های دکتری علوم انسانی، مدیریت، روانشناسی و علوم تربیتی اغلب نیازمند بررسی روابط پیچیده میان متغیرهای مکنون است. نرم‌افزار ایموس (IBM SPSS Amos) به عنوان ابزاری تخصصی بر پایه رویکرد کوواریانس‌محور، امکان آزمون فرضیه‌ها و مدل‌سازی معادلات ساختاری (SEM) را فراهم می‌آورد. اجرای صحیح این تحلیل نه تنها به تایید یا رد فرضیه‌ها کمک می‌کند، بلکه صحت کل چارچوب مفهومی رساله را در جلسه دفاع تضمین می‌نماید.

ماهیت مدل‌سازی معادلات ساختاری با ایموس

مدل‌سازی معادلات ساختاری یک تکنیک آماری چندمتغیره قوی است که تحلیل عاملی تأییدی و تحلیل مسیر را به شکل همزمان در خود ادغام می‌کند. ایموس از رویکرد مبتنی بر کوواریانس (CB-SEM) استفاده می‌کند که هدف اصلی آن به حداقل رساندن تفاوت میان ماتریس کوواریانس نمونه و ماتریس کوواریانس بازتولید شده توسط مدل نظری است. این سازوکار نشان می‌دهد مدل فرضی شما تا چه اندازه بازتاب‌دهنده واقعیت نهفته در جامعه آماری است.

علت اقبال گسترده دانشگاه‌ها به انجام تحلیل آماری ایموس در پایان‌نامه‌ها، توانایی آن در محاسبه خطای اندازه‌گیری برای هر گویه و ارائه شاخص‌های برازش کلی مدل است. بر خلاف رگرسیون چندگانه که متغیرها را بدون خطا فرض می‌کند، ایموس خطاها را جدا کرده و وزن‌های رگرسیونی تمیزتری گزارش می‌دهد. تصمیم‌گیری برای انتخاب این نرم‌افزار معمولاً زمانی انجام می‌شود که نمونه آماری تصادفی و به نسبت بزرگ است (معمولاً بالای ۲۰۰ نمونه)، نرمال بودن چندمتغیره برقرار است و هدف اصلی پژوهش آزمون یا تأیید یک تئوری تثبیت‌شده باشد.

یک پژوهش فرضی در نظر بگیرید که هدف آن بررسی تأثیر «رهبری تحول‌آفرین» بر «نوآوری سازمانی» با میانجی‌گری «تعهد سازمانی» است. در ایموس، این سه مفهوم متغیرهای پنهان هستند که توسط گویه‌های پرسشنامه اندازه‌گیری می‌شوند. اشتباه رایج دانشجویان در این مرحله، نادیده گرفتن متغیرهای خطا (Error terms) بر روی متغیرهای مشاهده‌پذیر و متغیرهای مکنون وابسته است که منجر به خطای ساختاری و عدم محاسبه پارامترها در نرم‌افزار می‌شود. برای بررسی عملی، پیش از اجرای مدل باید مطمئن شوید به تمام متغیرهای مکنون درون‌زا یک خطای پیش‌بینی تخصیص داده شده باشد.

مطلب مرتبط: کاهش درصد همانندجویی سمیم نور

مراحل گام‌به‌گام انجام تحلیل آماری ایموس در پایان‌نامه

اجرای اصولی تحلیل با ایموس تابع یک روند نظام‌مند دو مرحله‌ای است که به روش اندرسون و گربینگ معروف است؛ ابتدا آزمون مدل اندازه‌گیری و سپس بررسی مدل ساختاری. نادیده گرفتن ترتیب این مراحل منجر به سردرگمی در تفسیر خطاهای محاسباتی خواهد شد.

1. آماده‌سازی ماتریس داده‌ها در SPSS و کدگذاری داده‌های گمشده و استانداردسازی مقیاس‌ها
2. رسم متغیرهای پنهان، گویه‌های آشکار و متغیرهای خطا در محیط گرافیکی ایموس
3. نام‌گذاری پارامترها و متصل کردن متغیرهای مستقل به یکدیگر با فلش‌های دوطرفه کوواریانس
4. تنظیمات بخش Analysis Properties و انتخاب خروجی‌های ضروری نظیر بارهای استاندارد، ماتریس کوواریانس و شاخص‌های تعدیل
5. اجرای محاسبات، بررسی شاخص‌های برازش و اعمال اصلاحات مجاز تئوریک

دلیل شکست اجرای تحلیل در بسیاری از پایان‌نامه‌ها، عدم اختصاص مقیاس به متغیرهای مکنون است؛ یعنی ثابت نکردن بار عاملی یکی از گویه‌ها روی عدد یک برای شناسایی مدل (Identification). فرض کنید در حال آزمون متغیر «رضایت شغلی» با پنج گویه هستید؛ اگر هیچ یک از پیکان‌ها به مقدار عددی یک قفل نشوند، مدل اصطلاحاً Unidentified باقی می‌ماند و ایموس خروجی نمی‌دهد. کنترل عملی این فرآیند با چک کردن جدول خروجی و حصول اطمینان از مثبت بودن درجه آزادی (Degrees of freedom) صورت می‌گیرد.

تحلیل عاملی تأییدی (CFA) و ارزیابی روایی سازه

تحلیل عاملی تأییدی سازوکاری است که روایی همگرا و واگرای ابزار گردآوری داده‌ها را اثبات می‌کند. در فصل چهارم پایان‌نامه، پیش از وارد کردن مسیرهای رگرسیونی، باید نشان دهید که آیا گویه‌های طراحی شده واقعاً متغیر پنهان مورد نظر را می‌سنجند یا خیر. معیار کلیدی در اینجا بارهای عاملی استاندارد (Standardized Factor Loadings) هستند که بیانگر نسبت واریانس تبیین‌شده متغیر مشاهده‌پذیر توسط متغیر مکنون می‌باشند.

مطلب مرتبط: قیمت مقاله علمی پژوهشی

علت افت شاخص‌های برازش در اکثر رساله‌ها، ضعیف بودن همین بارهای عاملی است. شرایط تصمیم‌گیری به این شکل است که بار عاملی هر گویه باید آماره t بالاتر از ۱.۹۶ داشته باشد و ضریب مسیر ترجیحاً بزرگتر از ۰.۵ (و در شرایط ایده‌آل بالاتر از ۰.۷) باشد. در کنار آن، میانگین واریانس استخراج‌شده (AVE) باید از ۰.۵ و پایایی ترکیبی (CR) از ۰.۷ بزرگتر باشد.

تصور کنید پرسشنامه‌ای برای «انگیزش تحصیلی» توزیع کرده‌اید و بار عاملی گویه شماره ۳ به مقدار ۰.۲۴ گزارش شده است. نگه‌داشتن این گویه برازش کل پژوهش را مخدوش می‌کند. اشتباه رایج، حذف کورکورانه این گویه‌ها بدون بررسی محتوایی است. اگر حذف یک گویه به بار معنایی سازه لطمه نزند، می‌توان آن را کنار گذاشت. راهکار کنترلی، بازخوانی همبستگی درون‌سازه‌ای و محاسبه مجدد AVE پس از حذف گویه ضعیف است.

شاخص‌های برازش مدل؛ ارزیابی و استانداردهای پذیرش

شاخص‌های برازش، تابلوی سنجش اعتبار کار شما در جلسه دفاع و نزد داوران مجلات ISI هستند. این شاخص‌ها به سه دسته کلی برازش مطلق، برازش نسبی (تطبیقی) و برازش مقتصد تقسیم می‌شوند. گزارش ترکیبی از این شاخص‌ها برای اثبات برازندگی داده‌ها با مدل ضروری است.

مطلب مرتبط: نگارش مقاله ISI و علمی‌پژوهشی

شاخص برازش	نام لاتین	دامنه پذیرش مطلوب	تفسیر آماری
کای‌اسکوئر به درجه آزادی	CMIN/DF	کمتر از ۳ (در برخی موارد کمتر از ۵)	میزان تطابق مطلق مدل با داده‌ها
ریشه میانگین مربعات خطای برآورد	RMSEA	کمتر از ۰.۰۸ (ایده‌آل کمتر از ۰.۰۵)	میزان خطای مدل در جامعه آماری
شاخص برازش تطبیقی	CFI	بزرگتر از ۰.۹۰ (ایده‌آل بالاتر از ۰.۹۵)	بهبود برازش مدل در مقایسه با مدل پایه
شاخص تاکر-لوئیس	TLI	بزرگتر از ۰.۹۰	شاخص مقایسه‌ای تعدیل‌شده با درجه آزادی
شاخص نیکویی برازش	GFI	بزرگتر از ۰.۹۰	نسبت واریانس تبیین‌شده توسط مدل

دلیل حساسیت شاخص کای‌اسکوئر (Chi-Square) به حجم نمونه، نیاز مبرم به استفاده از شاخص CMIN/DF و سایر شاخص‌های تطبیقی را ایجاد کرده است؛ زیرا با افزایش حجم نمونه به بالای ۳۰۰ نفر، کای‌اسکوئر تقریباً همیشه معنادار (p < 0.05) می‌شود که ظاهراً نشان‌دهنده رد مدل است. بنابراین در شرایط حجم نمونه بالا، تمرکز روی CFI و RMSEA معقول‌ترین رویکرد علمی است.

خطای تکراری محققان در این بخش، تلاش غیرمجاز برای تغییر داده‌های خام به منظور بالا بردن CFI است. به جای آن، می‌توان از ماتریس شاخص‌های تعدیل (Modification Indices) ایموس کمک گرفت. اگر دو خطای اندازه‌گیری متعلق به یک سازه واحد باشند و همبستگی معناداری نشان دهند، با رسم کوواریانس میان آن دو خطا در صورت توجیه نظری، شاخص‌های برازش بدون دستکاری داده بهبود می‌یابند.

آزمون روابط علی و فرضیات میانجی‌گری و تعدیل‌گری

پس از تأیید مدل اندازه‌گیری، ساختار رگرسیونی مدل آزموده می‌شود. این بخش تعیین‌کننده سرنوشت فرضیه‌های پایان‌نامه است. ضرایب بتای استاندارد، خطای معیار (S.E)، نسبت بحرانی (C.R که معادل همان t-value است) و مقدار P-value شاخص‌های ارزیابی روابط مستقیم هستند. مقدار C.R بزرگتر از ۱.۹۶ نشان‌دهنده معناداری فرضیه در سطح خطای ۰.۰۵ است.

مطلب مرتبط: قیمت انجام پایان نامه ارشد

در الگوهای پیچیده‌تر با متغیر میانجی، استفاده از رویکرد سنتی بارون و کنی به دلیل خطای بالا دیگر مورد قبول ژورنال‌های معتبر نیست؛ در عوض، روش بازنمونه‌گیری بوت‌استراپ (Bootstrapping) در ایموس به کار می‌رود. مکانیزم بوت‌استراپینگ بر پایه شبیه‌سازی مکرر جامعه (مثلاً ۲۰۰۰ یا ۵۰۰۰ بار) استوار است که فاصله اطمینان ضرایب اثر غیرمستقیم را بدون نیاز به فرض نرمال بودن توزیع حاصل‌ضرب تعیین می‌کند.

یک فرضیه را تجسم کنید: اثر بازاریابی محتوایی بر قصد خرید از طریق اعتماد مشتری. اگر فاصله اطمینان ۹۵ درصدی اثر غیرمستقیم در بوت‌استراپینگ ایموس بین [۰.۱۵ تا ۰.۳۸] گزارش شود، چون عدد صفر میان حد پایین و حد بالا قرار نگرفته، اثر میانجی رسماً معنادار است. اشتباه متداول، ارجاع صرف به معناداری اثر مستقیم و غفلت از گزارش فاصله اطمینان بوت‌استراپینگ برای مسیرهای غیرمستقیم است که منجر به ایراد در پروپوزال و گزارش نهایی پایان‌نامه می‌شود.

مقایسه تحلیلی ایموس و اسمارت پی‌ال‌اس

انتخاب بین AMOS و SmartPLS از چالش‌های بنیادین دانشجویان در فاز تدوین روش تحقیق پروپوزال است. این انتخاب تصادفی نیست و بر مبنای الزامات داده‌ها و ماهیت سازه‌های پژوهش صورت می‌پذیرد. درک تفکیک این دو، جلوی رد شدن متدولوژی در داوری پایان‌نامه را می‌گیرد.

مطلب مرتبط: ویرایش نیتیو مقاله انگلیسی

• رویکرد محاسباتی: ایموس مبتنی بر کوواریانس است و کل ساختار را به شکل همزمان برازش می‌دهد، در حالی که پی‌ال‌اس رویکرد واریانس‌محور دارد و به دنبال بیشینه‌سازی واریانس تبیین‌شده است.
• حجم نمونه: ایموس به نمونه‌های متوسط تا بزرگ (ترجیحاً بالای ۲۰۰) نیاز دارد، در حالی که PLS با نمونه‌های کوچک (حتی زیر ۱۰۰ نفر) به خوبی همگرا می‌شود.
• پیش‌فرض نرمال بودن: ایموس نیازمند نرمال بودن تک‌متغیره و چندمتغیره داده‌هاست، در شرایطی که PLS ناپارامتریک بوده و حساسیتی به توزیع نرمال ندارد.
• نوع سازه‌ها: ایموس عمدتاً برای سازه‌های انعکاسی (Reflective) طراحی شده است، اما PLS به آسانی سازه‌های ترکیبی یا تکوینی (Formative) را نیز ارزیابی می‌کند.

مثالی از خطای متدولوژیک: دانشجویی که با نمونه آماری ۷۰ نفره در یک جامعه محدود سازمانی کار می‌کند، اصرار دارد از ایموس استفاده کند. نتیجه این اقدام، هشدارهای مکرر عدم تقارن ماتریس، مقادیر واریانس منفی (خطای هیوود) و عدم همگرایی مدل خواهد بود. چک‌لیست کاربردی این است: اگر هدف تأیید تئوری با نمونه بزرگ و داده‌های توزیع نرمال است، ایموس بی‌رقیب است؛ اگر پژوهش اکتشافی، داده‌ها غیرنرمال یا سازه‌ها تکوینی هستند، انتخاب هوشمندانه SmartPLS خواهد بود.

پیش‌فرض‌های آماری قبل از اجرای تحلیل ایموس

ایموس بیش از هر نرم‌افزار دیگری به تمیزی و سلامت داده‌ها وابسته است. اجرای مستقیم تحلیل بدون پالایش اولیه در SPSS منتهی به خطاهای سیستمی خواهد شد. مهم‌ترین سازوکار آماری در اینجا، آزمون نرمال بودن چندمتغیره از طریق ضریب کشیدگی چندمتغیره ماردیا (Mardia’s coefficient) است. چنانچه مقدار نسبت بحرانی ماردیا در خروجی نرم‌افزار بالاتر از ۵ باشد، داده‌ها توزیع نرمال چندمتغیره ندارند.

علت دیگر خطاهای تحلیل، وجود داده‌های پرت چندمتغیره است. این داده‌ها از طریق فاصله ماهالانوبیس (Mahalanobis d-squared) در ایموس قابل ردیابی هستند. اگر در جدول مربوطه، سطوح احتمال d1 و d2 برای برخی پرسشنامه‌ها کمتر از ۰.۰۰۱ باشد، آن پرسشنامه‌ها به عنوان داده‌های پرت چندمتغیره شناخته شده و باید پیش از تحلیل نهایی حذف شوند.

مطلب مرتبط: انجام پایان‌نامه ارشد و دکتری

پژوهشگری را با ۲۵۰ نمونه در نظر بگیرید که شاخص‌های برازش آن به طور غیرمنتظره‌ای ضعیف هستند. با بررسی ماتریس ماهالانوبیس متوجه می‌شود که ۵ پرسشنامه توسط پاسخ‌دهندگانی بدون دقت و به صورت تصادفی تکمیل شده و فواصل آماری بسیار بالایی ثبت کرده‌اند. با حذف این چند نمونه پرت، شاخص برازش RMSEA بلافاصله از ۰.۱۱ به ۰.۰۶ کاهش می‌یابد. اشتباه متداول، رها کردن این داده‌ها به امید تأثیر اندک آن‌هاست، در حالی که رویکرد کوواریانس‌محور ایموس شدیداً نسبت به داده‌های پرت آسیب‌پذیر است.

خطاهای متداول در گزارش‌نویسی فصل چهارم پایان‌نامه با ایموس

مرحله نهایی، نگارش یافته‌ها و انتقال خروجی‌های تصویری و متنی ایموس به متن پایان‌نامه و مقاله است. اشتباه در فرمت‌بندی خروجی‌ها یا برداشت ناصحیح از جداول، اعتبار علمی پژوهش را مخدوش می‌کند.

• گزارش ضرایب غیراستاندارد به جای استاندارد: ضرایب استاندارد (Standardized Regression Weights) برای مقایسه میزان شدت اثرگذاری متغیرها الزامی هستند؛ گزارش ضرایب غیراستاندارد مانع سنجش وزن متغیرها می‌شود.
• نادیده گرفتن خطای هیوود (Heywood Case): بروز واریانس‌های منفی برای خطاها که به دلایلی مانند خطای ورود داده یا عدم همگرایی رخ می‌دهد و نشانه نقص بنیادین در مدل است.
• کوواریانس‌های فاقد منطق نظری: همبسته کردن خطاهای دو متغیر مکنون مجزا در بخش شاخص‌های تعدیل، صرفاً برای بالابردن تصنعی CFI که با ایراد اساسی داوران همراه است.
• عدم تفکیک مدل اندازه‌گیری و ساختاری: ارائه خروجی نهایی بدون گزارش جداول بار عاملی و شاخص‌های برازش مرحله CFA.

کنترل نهایی قبل از ارسال کار به استاد راهنما یا داور، بررسی یکپارچگی ارقام متن با جداول ایموس است. هر عدد مربوط به نسبت بحرانی (C.R) در صورتی که بالای ۱.۹۶ باشد، باید با سطح معناداری زیر ۰.۰۵ همراه باشد (که در ایموس با سه ستاره *** به نشانه کمتر از ۰.۰۰۱ نمایش داده می‌شود). این دقت مانع از برگشت خوردن رساله در روزهای منتهی به جلسه دفاع می‌گردد.

مطلب مرتبط: مشاوره نگارش پروپوزال دکتری

پرسش‌های پرتکرار درباره تحلیل آماری ایموس

حداقل حجم نمونه برای انجام تحلیل با ایموس در پایان‌نامه چقدر است؟

قاعده کلی برای مدل‌سازی کوواریانس‌محور در ایموس، حداقل ۲۰۰ نمونه است. همچنین قاعده سرانگشتی ۱۰ تا ۲۰ نمونه به ازای هر پارامتر آزاد تخمین‌زده‌شده در مدل نیز به کار می‌رود؛ برای مثال، اگر مدل شامل ۱۵ گویه و رابطه است، حجم نمونه‌ای حدود ۱۵۰ تا ۳۰۰ نفر مورد نیاز خواهد بود.

معنای علامت سه ستاره (***) در ستون P-value نرم‌افزار ایموس چیست؟

این نماد نشان‌دهنده آن است که مقدار احتمال (P-value) کمتر از ۰.۰۰۱ است. به این معنا که رابطه در سطح اطمینان ۹۹.۹ درصد معنادار بوده و فرضیه با اطمینان بسیار بالا تأیید می‌شود؛ در گزارش پایان‌نامه نیز باید به شکل p < 0.001 درج گردد.

چرا در خروجی ایموس خطای The model is probably unidentified ظاهر می‌شود؟

این خطا زمانی رخ می‌دهد که درجه آزادی مدل صفر یا منفی است، یا مقیاس یکی از گویه‌های هر متغیر مکنون روی عدد یک قفل نشده است. برای رفع آن، باید روی یکی از مسیرهای متغیر پنهان به گویه کلیک راست کرده و در بخش Regression weight عدد ۱ را وارد کنید.

آیا برازش نامناسب مدل در ایموس به معنای رد شدن کامل پایان‌نامه است؟

خیر؛ برازش ضعیف می‌تواند ناشی از گویه‌های نامناسب، داده‌های پرت، یا همبستگی‌های پنهان خطای اندازه‌گیری باشد. با بازبینی جدول شاخص‌های تعدیل (MI) و حذف گویه‌های با بار عاملی ضعیف بر اساس ادبیات پژوهش، می‌توان برازش مدل را به سطح استاندارد ارتقا داد.